是的，可以将imblearn的评分指标集成为评分器，并使用Auto-Sklearn进行自动化的模型选择和调参。下面是一个示例代码，演示了如何将imblearn的评分指标集成到Auto-Sklearn中：

import autosklearn.classification
import sklearn.metrics
from imblearn.metrics import geometric_mean_score


# 定义imblearn的评分指标作为自定义评分器
def imblearn_scorer(y_true, y_pred):
    return geometric_mean_score(y_true, y_pred)


# 加载数据集
X_train, y_train = ...
X_test, y_test = ...


# 创建Auto-Sklearn分类器
cls = autosklearn.classification.AutoSklearnClassifier(
    time_left_for_this_task=3600,  # 设置训练时间
    scoring_functions=[imblearn_scorer],  # 将imblearn的评分指标添加到评分器中
)

# 拟合训练集
cls.fit(X_train, y_train)

# 预测测试集
y_pred = cls.predict(X_test)

# 计算imblearn评分指标
score = imblearn_scorer(y_test, y_pred)
print("imblearn评分：", score)

# 计算其他Sklearn评分指标
accuracy = sklearn.metrics.accuracy_score(y_test, y_pred)
precision = sklearn.metrics.precision_score(y_test, y_pred)
recall = sklearn.metrics.recall_score(y_test, y_pred)

print("准确率：", accuracy)
print("精确率：", precision)
print("召回率：", recall)

在上面的代码中，我们首先定义了一个自定义评分器imblearn_scorer，该评分器使用了imblearn库中的几何平均分数（geometric_mean_score）。然后，我们将该评分器传递给Auto-Sklearn的构造函数中的scoring_functions参数，以便在训练和评估过程中使用。

接下来，我们加载训练集和测试集，并创建了一个Auto-Sklearn分类器。我们使用fit方法拟合训练集，并使用predict方法对测试集进行预测。

最后，我们使用imblearn评分指标imblearn_scorer计算模型的得分，并使用其他Sklearn评分指标计算模型的准确率、精确率和召回率。

请注意，要运行此示例代码，您需要安装Auto-Sklearn和imblearn库。